面向机器人料箱抓取的任务中主动立体深度图的概率多视角融合
机器人学
2021-03-23 v1
摘要
多视角深度图的可靠融合已成为许多三维重建流程中的一个重要问题。在本工作中，我们研究其对机器人料箱抓取任务（如6D物体位姿估计）的影响。物体位姿估计的性能在很大程度上依赖于深度数据的质量。然而，由于高反光表面和杂乱场景的普遍存在，工业级深度相机往往无法从单一视角感知深度或生成不可靠的测量值。为此，我们提出了一种用于机器人料箱抓取场景重建的新颖概率框架。基于主动立体相机数据，我们首先显式估计深度测量的不确定性，以减轻噪声和离群点的不利影响。随后将不确定性估计纳入概率模型，用于增量式更新场景。为了与传统融合方法以及我们自己的方法进行全面评估，我们将发布一个新颖且具有代表性的数据集，其中每个料箱和精选零件均包含多视角数据。在整个数据集上，我们证明我们的框架相比传统融合方法在重建误差上减少了12.8%，在检测率上提升了6.1%。该数据集将在 https://www.trailab.utias.utoronto.ca/robi 提供。
引用
@article{arxiv.2103.10968,
title = {Probabilistic Multi-View Fusion of Active Stereo Depth Maps for Robotic Bin-Picking},
author = {Jun Yang and Dong Li and Steven L. Waslander},
journal= {arXiv preprint arXiv:2103.10968},
year = {2021}
}